面试准备攻略⑦：工业智能体应用专家 / 智能体算法专家 @ 北京东土科技股份有限公司

一、岗位速览

平台详情页需登录查看完整 JD，以下岗位画像为推断。

二、JD 拆解与岗位画像（推断）

东土科技是工业互联网与工业控制系统厂商（工业以太网交换机、工业软件、边缘控制器）。 它的“工业智能体”不是通用聊天助手，而是把大模型接到真实工业设备与工业软件上——PLC、SCADA、MES、设备日志、工艺参数。

为什么这个岗值得重点投

• 它要求的不是“最前沿的模型能力”，而是行业 know-how + AI 工程能力，而后者正是候选人的强项。
• 工业场景对稳定性、确定性、可回滚的要求极高，与候选人“后端出身、重视可运维性”的踏实风格契合。
• 薪资上限 7 万，是本日所有岗位中最高的两三个之一。

核心职责（预期）

1. 工业智能体场景设计：设备故障诊断助手、工艺参数优化、运维知识助手、代码/组态辅助生成。
2. 构建“模型 + 工具调用”链路：让 Agent 能调工业协议接口、查实时数据、读设备手册。
3. 与控制器/边缘设备团队协同，做边缘侧小模型部署与云边协同。
4. 为客户提供行业方案与 POC 验证。

必备技能

• Agent 工程：Tool/Function Call、RAG、工作流编排（LangGraph / Dify / Coze 均可）。
• 时序数据处理基础：遥测数据、报警流、时序库（InfluxDB / TDengine）。
• 工业协议了解：Modbus / OPC UA / MQTT（不需精通，但要能对话）。
• 方案与客户沟通能力（面向工业客户的交付）。

加分项

• 物联网 / 通信云 / 设备管理平台经验——候选人的通信云全栈产品经历高度对口（多端设备、代理体系、消息链）。
• 边缘算力受限环境下的模型量化与部署。

三、六维度匹配度分析

强匹配点

• 设备/代理/消息链的工程经验与工业物联网平台的架构同构，可直接平移叙事。
• 有“把 AI 接入现有生产系统”的完整经验（RAG 知识库 + 企微机器人监控微服务）。
• 微服务 + 高并发底子，能撑住“云侧平台”的那一半工作。

需补强的点

• 必须提前了解 Modbus、OPC UA、MQTT、SCADA/MES 的基本概念与数据流。
• 准备一个“边缘算力受限场景下怎么部署模型”的思路（量化、蒸馏、分级推理）。

四、面试知识体系（按模块）

模块 1：工业场景与协议（面试必问的行业分）

• 工业金字塔：现场设备层 → 控制层 → 监控层（SCADA）→ 管理层（MES/ERP）
• 常见协议：Modbus（寄存器语义）、OPC UA（信息模型 + 安全）、MQTT（发布订阅、QoS）
• 时序数据特点：高写入、按时间范围查询、降采样、异常检测
• 工控安全：隔离、单向网闸、白名单

模块 2：工业智能体的工程模式

• 故障诊断 Agent：报警上下文 + 历史工单 + 手册检索 → 根因候选 + 处置建议
• 工艺优化：参数-质量关系建模（传统机器学习常优于大模型）
• 组态/代码辅助：约束生成（必须符合 IEC 61131-3 语义） + 人工审核
• 人在回路：任何写入控制层或影响生产的动作都必须人工确认

模块 3：云边协同与部署

• 边缘设备资源受限下的模型选型（小参数量 + 量化）
• 云边分工：实时性要求高的在边缘，知识密集的在云侧
• 离线可用性：网络断开时的降级策略

模块 4：可靠性工程

• 确定性语义：AI 输出不能直接驱动执行机构
• 可追溯：每次建议可回放到数据快照
• 灰度与回滚：先影子模式观察，再逐步接管

五、高频面试题与参考答案

Q1：工业场景用大模型，最大的风险是什么？ A：不可控。C 端容错高，工业场景一次错误建议可能导致停机甚至安全事故。所以工业 AI 的第一条设计原则是“AI 只做建议，不做执行”——所有写操作必须经人工确认，AI 的输出必须以可追溯的证据（数据快照 + 手册条款）为依据，并且用影子模式先跑一段再逐步接管。

Q2：设备故障诊断怎么做？ A：分两层：① 规则/模型层——已知故障用规则或分类模型（基于振动、温度、电流等时序特征），这块传统机器学习（LightGBM、孤立森林）往往比大模型更准；② 知识层——大模型负责把报警码、历史工单、设备手册串起来，给出可读的根因候选与处置步骤。两层叠加才是工业现场能用的东西。纯靠大模型读数据猜故障是不行的。

Q3：为什么要用 Agent 而不是一个固定的推理流程？ A：因为现场问题千变万化。固定流程适合“输入输出确定”的任务（如单证抽取）；而故障诊断、工艺调优这类任务需要动态决定查什么数据、调什么工具——比如先查报警，发现是温度异常再去查冷却系统历史曲线。Agent 的价值就在于工具编排的灵活性。但代价是可控性下降，所以必须配上步数上限、工具白名单与全程轨迹记录。

Q4：设备手册都是 PDF，怎么建知识库？ A：工业手册有三个特点：表格多、图形多、专业术语多。① 表格：转 Markdown 或结构化 JSON，保留表头语义后再切块；② 图：关键接线图/示意图做图文关联（描述 + 原图引用）；③ 术语：建同义词表（型号、编号、缩写、俗称）做查询改写，否则向量检索会漏召。切块时要保留“章节路径”元数据，方便引用时定位到具体章节。

Q5：边缘设备算力只有几个 TOPS，怎么部署？ A：分级思路：① 规则/小模型放边缘——异常检测、阈值判定、特征提取这些用传统算法就够，毫秒级响应；② 中等模型放网关——量化后的轻量模型做语音/图像初步处理；③ 大模型放云端——知识问答、复杂推理。关键是设计好断网降级：边缘侧缓存最近的知识片段，断网时能回答高频问题，而非直接失效。

Q6：你怎么保证 AI 建议可追溯？ A：每次交互落三类日志：① 输入上下文（原始报警、抽取的时序数据片段、检索到的文档版本号）；② 工具调用轨迹（调了什么接口、传什么参、返回什么）；③ 输出与依据（生成文本 + 引用的条款/数据点）。这三类可回放，且与数据版本绑定（因为数据会变，日志必须存快照或哈希）。这是工业客户验收时的必备项。

Q7：工艺参数优化用大模型还是传统机器学习？ A：优先传统机器学习。工艺参数与质量指标是数值关系，样本量足够时梯度提升树（LightGBM/XGBoost）或回归模型更准、更快、更可解释，而且能在产线上实时跑。大模型适合的是“把优化结果翻译成人看得懂的解释与操作建议”。我在现公司做股票预测与车险反欺诈时用的就是 CatBoost/LightGBM/XGBoost/ARIMA 这套，比大模型更适合结构化数值任务。

Q8：客户要求“一个月出 POC”，你怎么安排？ A：一个月只能验证一件事：能不能把客户的真实数据跑通并产出可验证的价值。所以第一阶段只做：① 确定一个窄而痛的具体场景（不贪大）；② 拿到历史数据与手册，把 RAG 链路搭起来；③ 用一个可量化的基准（如诊断建议的采用率、处理时长缩短）做前后对比。不做系统集成、不做权限体系、不做界面美化。POC 的目标是“说服”，不是“完整”。

Q9：你做过工业行业吗？没有怎么弥补？ A：我没有直接的工业交付经验，但我做的是同构的事：通信云平台要管理大量设备与代理端、处理消息链路、保障高并发下的稳定——这与工业物联网平台在架构上高度相似。行业知识我会用两个月时间集中补齐：读 OPC UA 规范、跑通一个 Modbus 模拟设备、把 MES/SCADA 的数据流画成一张图。我相信技术人对行业的理解深度取决于愿不愿意下现场，而不是简历上有没有那个词。

Q10：你怎么看“工业智能体”的商业前景？ A：短期最能落地的是知识与服务类场景（售后、运维、培训），因为不碰生产控制，风险低、ROI 好算；中期是质控与工艺辅助（人在回路的优化建议）；真正的深水区是闭环控制，那是三五年后的事。所以有商业价值的团队，应该先把第一层做深做透，而不是一上来就吆喝“无人化工厂”。

六、北京人才引进资格核查

上市公司体系，落户指标需逐个公司核实（制造业上市公司通常有一定名额）：

• 公司是否具备人才引进落户指标？本年度剩余名额？
• 劳动合同主体与社保缴纳地是否均在北京？
• 是否有“专精特新 / 高新技术企业”资质？（有则指标概率更高）
• 岗位是否属于紧缺急需？对年龄与学历的具体要求？
• 历史上是否有成功办理案例？

七、反向提问清单

1. 这个岗位服务的是自研产品还是给客户做项目？
2. 目前已经落了哪些工业智能体场景？有哪些标杆客户？
3. 技术团队里 AI 与工业 OT 团队的分工与协作方式？
4. 模型是自建还是用商用 API？工业客户接受公有云吗？
5. 客户接受“AI 只给建议不执行”的边界吗？
6. 落户指标情况（见第六节）？

声明：本文岗位画像为基于公开招聘信息的推断，不代表用人单位正式 JD。本文不含个人隐私与账号凭据。